Fortschritte bei der hochauflösenden Wettervorhersage: Einblicke aus dem RAINA-Projekttreffen
In der ersten Märzwoche trafen sich Wissenschaftlerinnen und Wissenschaftler des Forschungszentrums Jülich (FZJ), des Deutschen Wetterdienstes (DWD), des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) und der Universität Bonn in der DWD-Zentrale in Offenbach zu ihrem ersten Progess-Projekttreffen zu RAINA (https://raina-project.de), einem Gemeinschaftsprojekt unter Leitung von Michael Langguth (FZJ). RAINA ist eine Initiative, die sich auf die Verbesserung kurzfristiger, hochauflösender Vorhersagen von extremen Wind- und Niederschlagsereignissen mit einem auf Machine Learning basierenden Grundmodell für das Erdsystem konzentriert. Das Projekt arbeitet eng mit dem WeatherGenerator-Projekt (https://weathergenerator.eu/) zusammen, einem ergänzenden EU-Horizon-Projekt, das digitale Zwillingstechnologien zu Destination Earth beiträgt. Durch den Einsatz fortschrittlicher Deep-Learning-Methoden will RAINA die Vorhersagefähigkeiten verbessern, die für die Katastrophenprävention und die Widerstandsfähigkeit gegenüber dem Klimawandel entscheidend sind.
Highlights des Treffens
Ein Hauptaugenmerk der Diskussionen lag auf dem WeatherGenerator-Modell, dessen Prototyp kürzlich auf github zur Verfügung gestellt wurde. Christian Lessig (ECMWF) gab einen detaillierten Überblick über die Struktur und Architektur des Modells. Es ist als Community Model konzipiert und kann bereits verschiedene Eingabedatensätze aufnehmen, wie z. B. die ERA5-Reanalysedaten oder Satellitenbeobachtungen von SEVIRI, einer Multispektralkamera, die die Erde im sichtbaren und nahen Infrarotbereich beobachtet, und ist in der Lage, qualifizierte Wettervorhersagen zu erstellen. Die Diskussion konzentrierte sich auf die für die gemeinsame Nutzung von Trainingsdaten erforderliche Infrastruktur und darauf, wie RAINA in diesen Rahmen integriert werden kann.
Eines der wichtigsten technischen Themen drehte sich um die Datensätze für das Training. Das Team überlegte, welche Datensätze das Ziel von RAINA, die hochauflösenden Vorhersagen extremer Wind- und Niederschlagsereignisse zu verbessern, am besten unterstützen würden. Unter anderem wurden die hochmoderne ICON-DREAM-Reanalyse und der RADKLIM-Datensatz als gute Kandidaten ermittelt. ICON-DREAM bietet eine mehrjährige Darstellung des globalen atmosphärischen Zustands mit einem verfeinerten Fenster über Europa, während RADKLIM mehr als zwei Jahrzehnte an regenmesserbereinigten Niederschlagsbeobachtungen auf Kilometerskala aus dem deutschen Radarnetz bietet.
In einer ersten Prototypanwendung entwickelt das Projekt ein vollständig auf maschinellem Lernen basierendes System zur Erstellung hochauflösender Wettervorhersagen. Bei diesem Ansatz wird die Kurzstreckenvorhersage mit GraphCast, das ursprünglich von Google DeepMind entwickelt wurde, mit einem anschließenden statistischen Downscaling-Schritt kombiniert, um Niederschlag und Windböen über Deutschland mit einer Auflösung von etwa 2 km vorherzusagen. Beim Downscaling wird nicht nur die räumliche Auflösung erhöht, sondern auch Verzerrungen in den GraphCast-Vorhersagen (Abb. 1), die aus dem ERA5-Datensatz resultieren, auf dem GraphCast trainiert wurde, werden korrigiert. Unterstützt wird die Entwicklung durch die Verifikationssuite des DWD, die eine Bewertung anhand von Punktbeobachtungen und räumlichen Verifikationsmethoden durch verschiedene deterministische und probabilistische Scores ermöglicht. Ein besonderer Schwerpunkt innerhalb von RAINA ist die Verfeinerung der räumlichen Objektverifikation, um die niederschlagsbasierte Identifikation besser zu berücksichtigen, ein notwendiger Schritt zur Verbesserung der Modellvalidierung.
Networking mit KI-HopE-DE
Im Anschluss an die RAINA-Diskussionen nahm das Team Kontakt mit dem Schwesterprojekt KI-HopE-De (KI-basierte Hochwasservorhersage für kleine Einzugsgebiete in Deutschland; https://ki-hope.de) auf, das einen gemeinsamen Forschungsaufruf hat. KI-HopE-DE zielt darauf ab, die Hochwasservorhersage in kleinen und mittelgroßen Flusseinzugsgebieten zu verbessern, die aufgrund ihrer schnellen Reaktionszeiten besonders anfällig für extreme Niederschlagsereignisse sind. Herkömmliche hydrologische Modelle können deren Dynamik oft nur ungenau wiedergeben, was zu erheblichen Unsicherheiten bei Hochwasservorhersagen führt. Durch den Einsatz von KI will KI-HopE-DE ein robustes und flexibles Vorhersagesystem für Einzugsgebiete von weniger als 500 km² entwickeln. Im Rahmen des Projekts wird ein umfassender hydro-meteorologischer Datensatz für das Training und die Validierung von KI-basierten Modellen zusammengestellt, wobei der Schwerpunkt auf kurzfristigen Vorhersagen (weniger als 48 Stunden) liegt.
In der Diskussion wurden die Stärken und Schwächen der verschiedenen Datensätze und Modellierungsansätze erörtert. Die Forscher von KI-HopE-DE hoben insbesondere die Verwendung von LSTM-Modellen (Long Short-Term Memory) hervor, einer Art rekurrenter neuronaler Netze, die sich gut für Zeitreihenvorhersagen eignen, da sie langfristige Abhängigkeiten in hydrologischen Prozessen effektiv erfassen können. Beide Projekte haben ein gemeinsames Interesse an der probabilistischen Modellierung, die ein Maß für die Unsicherheit liefert, das für die Risikobewertung entscheidend ist.
Ein besonders vielversprechender Weg der Zusammenarbeit ergab sich bei der Bewertung der Frage, wie verbesserte Niederschlagsvorhersagen aus RAINA zu besseren Hochwasservorhersagen beitragen könnten. Dieser projektübergreifende Austausch unterstreicht die Bedeutung der interdisziplinären Zusammenarbeit für die Weiterentwicklung der Wettervorhersageforschung.
Die Tagung endete mit einem positiven Fazit und fruchtbaren Diskussionen, die den Weg für künftige Fortschritte bei der hochauflösenden Wettervorhersage ebneten.
Kontakt
Prof. Dr. Martin Schultz
Head of research group Earth System Data Exploration and co-lead of division Large Scale Data Science, University professor in Computational Earth System Science at the University of Cologne PI in Helmholtz Information Program 1, Topic 1 (Topic Board Member)
- Institute for Advanced Simulation (IAS)
- Jülich Supercomputing Centre (JSC)
Raum 4010